感受野

感受野

卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。

由前向后的计算方式

$$lk=l_k-1+[(f_k-1)\ast \prod _{i=1}^{k-1}{s}_i]$$
其中 $l_k-1$ 为第 $k-1$ 层对应的感受野大小， $fk$ 为第 k 层的卷积核大小或者是池化层的池化尺寸大小，$s_i$是第$i$层的stride。

举个例子

No.	Layers	Kernel Size	Stride
1	Conv1	3*3	1
2	Pool1	2*2	2
3	Conv2	3*3	1
4	Pool2	2*2	2
5	Conv3	3*3	1
6	Conv4	3*3	1
7	Pool3	2*2	2

感受野初始值$l_0=1$，每层的感受野计算过程如下：

$l_0=1$

$l_1=1+(3-1)=3$

$l_2=3+(2-1)\ast 1=4$

$l_3=4+(3-1)\ast 1\ast 2=8$

$l_4=8+(2-1)\ast 1\ast 2\ast 1=10$

$l_5=10+(3-1)\ast 1\ast 2\ast 1\ast 2=18$

$l_6=18+(3-1)\ast 1\ast 2\ast 1\ast 2\ast 1=26$

$l_7=26+(2-1)\ast 1\ast 2\ast 1\ast 2\ast 1\ast 1=30$

可以通过 Fomoro AI 可视化计算感受野的网站，来验证自己计算的结果！

参考Blogs

• CNN 感受野计算公式